Comparer les espaces régionaux : stratégie de recherche et mise à distance du nationalisme méthodologique
Notice bibliographique
Résumé
Résumé Comment construire un cadre analytique comparatif ? Quelles stratégies empiriques le chercheur doit-il ensuite déployer dans la collecte des données ? Cet article cherche à apporter des éléments de réponse à partir d’expériences variées de comparaison sur les régions en Europe. Le premier défi est de penser l’espace regional en tant qu’unité d’analyse du changement politique afin de mettre à distance le nationalisme méthodologique et, ainsi, rendre possible la comparaison entre les régions et leurs différentes les traditions politiques, les valeurs sociales ou cultures. Cela suppose donc de considérer le territoire non pas comme un simple receptacle de dynamiques exogènes, mais comme un espace institutionnalisé, producteur de logiques autonomes de pouvoir. Le second défi consiste à mettre au service de la démonstration un matériau empirique riche et varié dans le but de construire un point de vue original et argumenté sur le phénomène étudié. Ce traitement croisé de données qualitatives et quantitatives permet une densification de ce que l’on peut qualifier de faisceaux d’indice empirique. C’est en effet en collectant un large matériau empirique concordant que l’on peut être en mesure d’établir des relations de causalité entre les phénomènes étudiés et donc mieux appréhender et informer les paramètres du pouvoir regional
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,092 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,017 |
| Études des sciences et des technologies | 0,005 | 0,013 |
| Communication savante | 0,019 | 0,017 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».